CN115422670A - 一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法 - Google Patents

Abstract

本发明提出一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，该方法将实际加工过程中采集到的切削力与夹紧力作为主要外载荷，首先建立切削力与夹紧力的时变关联模型；接着将被加工零件进行几何模型参数化，获得可以表示零件几何结构的参数化矩阵，用来反映零件的弯曲刚度；之后针对变形形成过程中上述外载荷、几何与变形之间的时序与空间关联特征，建立卷积网络与循环神经网络结合的时空学习模型，将切削力、夹紧力、工件几何与变形信息作为数据样本训练该网络，实现加工变形预测。本发明可以用在对切削力与夹紧力敏感的加工变形中，训练完成后变形预测模型可以达到较高的效率，同时适用性较好。

Description

一种基于切削力与夹紧力时空学习的薄壁件加工变形预测 方法

技术领域

本发明涉及一种薄壁件加工变形预测方法，特别是一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法。

背景技术

薄壁结构零件在航空工业中被广泛使用，以减轻重量、提高结构强度和性能，如航空整体壁板、整体框、梁、壁板等。由于具有材料去除率高，薄壁结构和低刚度特性，这些零件在加工过程中很容易发生变形。在实际加工中，影响变形的因素很多，包括切削力、夹具系统、工件的几何形状和刚度，以及工件的残余应力等，这些因素相互作用使得加工变形更加复杂难以预测，容易造成几何误差甚至零件报废，严重影响了加工质量、加工效率。

对加工变形的预测不仅是后续进行加工变形控制的基础，也是保证加工质量、提升加工效率的前提。针对加工过程中由于材料去除工件内部应力释放而产生的整体加工变形相关研究很多，主要是以数值模拟和分析模型为主的加工过程仿真模型，且都需要获得精确的初始残余应力大小和分布。但是，由于残余应力分布不均匀、现有残余应力测量方法的限制，以及理论假设与实际加工场景较大的差异，导致现有变形预测方法很难准确预测变形，或者模型适用性受到限制。

由于加工过程中，由刀具、工件、机床和夹具组成的是一个动态平衡系统，切削力与夹紧力是工件加工过程中受到的主要的外载荷，而且外载荷与工件内部的变形抗力处于动态平衡。也就是说，对于这种平衡系统，可以用外界载荷代替难以测量的工件内部的变形抗力。实际上，利用夹具来减小或抑制变形已有很多研究，但往往都是特定加工场景下的专用夹具，或者需要复杂高效的加工过程仿真或解析模型，方法的通用性和预测效果仍受限制。

发明内容

鉴于此，为解决现有技术存在的问题，本发明提供一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法。该方法将实际加工过程中采集到的切削力与夹紧力作为主要外载荷，首先建立切削力与夹紧力的时变关联模型；接着将被加工零件进行几何模型参数化，获得可以表示零件几何结构的参数化矩阵，用来反映零件的弯曲刚度；之后针对变形形成过程中上述外载荷、几何与变形之间的时序与空间关联特征，建立卷积网络与循环神经网络结合的时空学习模型，将切削力、夹紧力、工件几何与变形信息作为数据样本训练该网络，实现加工变形预测。

本发明的技术方案为：

所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，包括以下步骤：

步骤1：根据薄壁件加工过程中实际采集的切削力与夹紧力变化数据，建立切削力与夹紧力的时变模型，进而建立表示切削力与夹紧力关联变化的时变关联模型；

步骤2：采用曲面映射结合保刚性变化将被加工的薄壁件进行几何模型参数化；

步骤3：建立基于时空学习的变形预测模型：

首先，将关联后的切削力与夹紧力，以及工件几何参数化模型输入卷积网络进行空间关系学习：

H_Δt＝f_c(W_c(L(Δt),D)+b_c)

其中，H_Δt是经过卷积网络学习后的输出；f_c是激活函数，W_c，b_c是需要学习的网络参数；

接着，将若干个按照时间序列排列，且经过卷积网络学习后的输出，经过扩展处理后，输入循环神经网络中，对与变形相关的时序关系进行学习：

其中，

为GRU网络在第n个时间间隔Δt后预测得到的变形输出；f_g是激活函数，

是网络前一刻的输出，

是H_Δt经过扩展处理后符合GRU网络的输入；W_g，U是需要学习的网络参数；

将网络输出的变形和实际加工变形的均方差作为误差函数：

其中，E_t是在时间t的损失值，E是整个训练数据的损失值；Def_n为经过n个时间间隔测得的真实工件变形值，N为以真实变形值为标签的训练样本数量；

根据误差计算GRU网络中每个权重的梯度和偏置梯度，同时采用Aadm算法更新网络参数，直到损失函数收敛，完成变形预测模型的建立；

步骤4：利用训练好的变形预测模型实现变形预测。

进一步的，步骤1中，切削力时变模型为

F(t)＝(u(t),v(t),w(t),f(t))

其中，u(t)，v(t)，w(t)表示随着刀具移动的刀具坐标系，其原点位于刀尖，u轴、v轴和w轴分别代表瞬时进给方向、工件表面法向量和刀具轴向量，f(t)表示随时间变化的切削力；

夹紧力时变模型为

cF(t)＝(x_i,y_i,z_i,cf(t))

其中，x_i，y_i，z_i表示第i个夹紧力测量位置在工件坐标系下对应的坐标，cf(t)表示随时间变化的夹紧力；

加工过程中切削力与夹紧力空间转化关系为：

[x,y,z,1]^T＝Trans[u,v,w,1]^T

其中，Trans表示刀具坐标系向工件坐标系转换的齐次变换矩阵，上标T表示转置；在时间上，采用相邻刀位点之间的时间间隔，分别对切削力与夹紧力取平均值，实现时间上的一致性。

进一步的，齐次变换矩阵Trans表示为：

式中，3×3的矩阵R_T表示刀具坐标系相对于工件坐标系的坐标旋转矩阵，由刀具坐标轴矢量决定，包括瞬时进给方向、工件切削表面法向量和刀轴矢量；3×1的矩阵Q_T表示刀具原点相对于机床的位置向量；γ和η分别表示透视变换和比例系数，这里η取1。

进一步的，切削力与夹紧力关联变化的时变关联模型以关联矩阵L(t)表示：

其中，L(t)是切削力与夹紧力关联后的外载荷模型矩阵表达形式，(x(t),y(t),z(t))是经过齐次变换后的切削力坐标。

进一步的，步骤2中，采用曲面映射结合保刚性变化实现薄壁件几何模型参数化的过程为：

首先采用曲面映射中的网格生成方法将薄壁件几何模型映射到参数域：

其中S(x,y,z)表示在笛卡尔坐标系下的薄壁件三维几何实体模型，D(u,v,w)表示参数域坐标系下的薄壁件几何模型，F(x,y,z,u,v,w)表示映射函数，符号

表示一对一映射关系；

然后根据保刚性参数化方法，将参数化后的几何模型上每个三角形曲面块不变形地投影到一个单独的局部坐标系中，然后将分散在各自局部坐标系中的三角形块粘合在一起，形成一个完整的二维展开平面，得到薄壁件几何模型的二维数组表达式D(u_i,v_i)，(u_i,v_i)表示二维平面上点的坐标。

进一步的，映射函数采用Hermite超限插值方法来实现工件几何模型到参数域的映射。

有益效果

本发明将加工过程中切削力与夹紧力的变化作为施加在工件上的主要外载荷，来表示难以测量的且随着加工变化的工件残余应力分布状态，用工件几何参数化模型来反映工件的弯曲刚度。即将影响加工变形但难测量或者难以获得的加工过程物理量，转换为用其他几何-物理量来共同描述。接着充分考虑到工件变形形成过程中时序空间相关性，采用卷积网络与循环神经网络结合的时空学习来对切削力夹紧力、工件几何与变形进行建模，实现变形预测。该方法可以用在对切削力与夹紧力敏感的加工变形中，训练完成后变形预测模型可以达到较高的效率，同时适用性较好。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

具体实施方式

本发明提供一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，该方法将实际加工过程中采集到的切削力与夹紧力作为主要外载荷，首先建立切削力与夹紧力的时变关联模型；接着将被加工零件进行几何模型参数化，获得可以表示零件几何结构的参数化矩阵，用来反映零件的弯曲刚度；之后针对变形形成过程中上述外载荷、几何与变形之间的时序与空间关联特征，建立卷积网络与循环神经网络结合的时空学习模型，将切削力、夹紧力、工件几何与变形信息作为数据样本训练该网络，实现加工变形预测。

本发明具体包括下述步骤：

步骤1：根据薄壁件加工过程中实际采集的切削力与夹紧力变化数据，建立切削力与夹紧力的时变模型，进而建立表示二者关联变化的时变关联模型。

切削力时变模型可以表示为：

F(t)＝(u(t),v(t),w(t),f(t))

其中u(t)，v(t)，w(t)表示随着刀具移动的刀具坐标系，其原点位于刀尖，u轴、v轴和w轴分别代表瞬时进给方向、工件表面法向量和刀具轴向量。f(t)表示随时间变化的切削力。

对于施加在工件上的夹紧力来说，其作用位置固定，夹紧力随时间变化，夹紧力时变模型可以表示为：

cF(t)＝(x_i,y_i,z_i,cf(t))

其中x_i，y_i，z_i表示第i个夹紧力测量位置在工件坐标系下对应的坐标，cf(t)表示随时间变化的夹紧力。

显然，切削力与夹紧力同时作用于工件，但作用过程中切削力的作用位置随着刀具位置变化而变化，夹紧力作用位置则固定在工件坐标系下某几个确定的位置，即二者施加的坐标系不同，为了准确描述加工过程中工件所受到的复杂外力状态，给出二者转化关系：

[x,y,z,1]^T＝Trans[u,v,w,1]^T

其中，Trans表示刀具坐标系向工件坐标系转换的齐次变换矩阵，上标T为向量的转置。这样，在空间上将切削力与夹紧力关联起来。在时间上，采用相邻刀位点之间的时间间隔，分别对切削力以及夹紧力取平均值，来保证时间上的一致性。

步骤2：将工件几何模型参数化，获得表示工件几何结构的参数矩阵，反映零件的弯曲刚度，作为后续变形预测模型的输入。因此，工件几何模型参数化需要能够在不丢失工件几何拓扑关系的同时进行变形表示。这里采用曲面映射结合保刚性变化来实现几何模型参数化。

对于工件几何模型，首先采用曲面映射中的网格生成方法将工件几何模型映射到参数域，可以表示为：

其中，S(x,y,z)表示在笛卡尔坐标系下的三维工件几何实体模型，D(u,v,w)表示参数域坐标系下的工件几何模型，F(x,y,z,u,v,w)表示映射函数，符号

表示一对一映射关系。

接着，利用保刚性参数化方法，将参数化后的几何模型上每个三角形曲面块不变形地投影到一个单独的局部坐标系中，然后将分散在各自局部坐标系中的三角形块粘合在一起，形成一个完整的二维展开平面，即可得到几何模型的二维数组表达式D(u_i,v_i)，(u_i,v_i)表示二维平面上点的坐标。

步骤3：建立基于时空学习的变形预测模型：

切削力与夹紧力，工件变形状态以及内部变形抗力在工件本身的几何空间上处于动态平衡。这样将工件几何状态作为空间基础，切削力与夹紧力以及工件变形状态在该空间上不断叠加且动态平衡。因此，可以建立一种同时包含对加工过程空间动态平衡，以及时间上不断叠加变化且平衡的时空学习网络。

首先，步骤1中将切削力与夹紧力关联后，考虑二者的空间坐标，表示为矩阵形式L(t)；接着，步骤2中工件几何模型参数化后表示为矩阵D；然后，建立深度卷积网络，包含两个独立的浅层卷积过程，之后用多层卷积将二者结果融合。可以表示为：

H_Δt＝CNN(L(Δt),D)

其中，H_Δt表示以时间间隔t为切削力、夹紧力的取值间隔，结合工件几何参数化后的矩阵D，经过卷积神经网络后得到的输出；这里Δt取两个相邻刀位点的时间间隔；CNN表示卷积操作，L(Δt)表示时间间隔Δt下的切削力与夹紧力关联矩阵。

再将若干个经过时间间隔Δt卷积后的输出输入循环神经网络，这里采用GRU门控循环单元网络，可以表示为：

其中，

为GRU网络在第n个时间间隔Δt后，预测得到的变形输出；

为上面H_Δt经过扩展处理后符合GRU网络的输入。

通过卷积网络与循环神经网络结合，得到时空学习模型，将切削力、夹紧力、工件几何与变形信息作为数据样本训练该时空学习模型，得到具有时序空间关联学习的变形预测模型。之后利用训练好的变形预测模型实现变形预测。

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

1、切削力与夹紧力的时变关联。

首先，建立切削力时变模型，可以表示为：

F(t)＝(u(t),v(t),w(t),f(t))

其中，u(t)，v(t)，w(t)表示随着刀具移动的刀具坐标系，其原点位于刀尖，u轴、v轴和w轴分别代表瞬时进给方向、工件表面法向量和刀具轴向量。f(t)表示随时间变化的切削力。

建立夹紧力时变模型，可以表示为：

cF(t)＝(x_i,y_i,z_i,cf(t))

其中，x_i，y_i，z_i表示第i个夹紧力测量位置在工件坐标系下对应的坐标，cf(t)表示随时间变化的夹紧力。

接着，将刀具坐标系向工件坐标系转换。这里采用的齐次变换矩阵表示从切削力坐标到机床坐标的映射。设FCS为刀具坐标系，WCS为工件坐标系(或者机床坐标系)，两者之间的转换关系可以用下式矩阵Trans表示：

式中，3×3的矩阵R_T表示FCS相对于MCS的坐标旋转矩阵，主要由刀具坐标轴矢量决定，包括瞬时进给方向、工件切削表面法向量和刀轴矢量；3×1的矩阵Q_T表示刀具原点相对于机床的位置向量；γ和η分别表示透视变换和比例系数，这里η取1。

之后，将二者在统一的工件坐标系下进行关联，获得切削力与夹紧力时变关联的外载荷模型，以关联矩阵L(t)表示。

其中，L(t)是切削力与夹紧力关联后的外载荷模型矩阵表达形式，(x(t),y(t),z(t))是经过齐次变换后的切削力坐标。

2、工件几何模型的参数化。

首先采用曲面映射中的网格生成方法将几何模型映射到参数域，可以表示为：

其中，S(x,y,z)表示在笛卡尔坐标系下的三维几何实体模型，D(u,v,w)表示参数域坐标系下的几何模型，F(x,y,z,u,v,w)表示映射函数，符号

表示一对一映射关系。具体来说，映射函数采用Hermite超限插值方法来实现工件几何模型到参数域的映射。

接着，根据保刚性参数化方法，将参数化后的几何模型上每个三角形曲面块不变形地投影到一个单独的局部坐标系中，然后将分散在各自局部坐标系中的三角形块粘合在一起，形成一个完整的二维展开平面，即可得到几何模型的二维数组表达。

由于二维平面上的点不一定均匀，因此进一步对在二维平面上的几何模型进行均匀采样，使得几何模型在二维平面上可以用矩阵表示，经过采样后的工件几何参数化模型具体可以表示为：

其中，(u_i,v_i)表示二维平面上点的坐标，i对应参数化后几何模型上三角切片顶点的索引号。

3、基于时空学习的变形预测。

首先，将关联后的切削力与夹紧力，以及工件几何参数化模型输入卷积网络进行空间关系学习。

H_Δt＝f_c(W_c(L(Δt),D)+b_c)

其中，H_Δt是经过卷积网络学习后的输出；f_c是激活函数，这里采用ReLU激活函数，具体为f(x):＝max(0,x)；W_c，b_c是需要学习的网络参数。

接着，将若干个按照时间序列排列，且经过卷积网络学习后的输出，经过扩展处理后，输入循环神经网络中，对与变形相关的时序关系进行学习。

其中，

为GRU网络在第n个时间间隔Δt后，预测得到的变形输出；f_g是激活函数，这里采用Sigmoid函数作为激活函数，具体为sigmoid(x)＝1/(1+e^-x)；

是网络前一刻的输出，

是H_Δt经过扩展处理后符合GRU网络的输入；W_g，U是需要学习的网络参数。

将网络输出的变形和实际加工变形的均方差作为误差函数，具体如下：

其中，E_t是在时间t的损失值，E是整个训练数据的损失值；Def_n为经过n个时间间隔测得的真实工件变形值，N为以真实变形值为标签的训练样本数量。

根据误差计算GRU网络中每个权重的梯度和偏置梯度，同时采用Aadm算法更新网络参数，直到损失函数收敛，完成变形预测模型的建立。

本发明首先根据加工过程中内应力与外载荷在工件上处于动平衡状态，将切削力与夹紧力的变化用来表征难测量的工件内应力状态变化。虽然切削力与夹紧力可以通过传感器采集，但对于工件受外载荷来说，工件受到的夹紧力位置相对不变，而受到的切削力随着刀具轨迹不断变化，即切削力与夹紧力作用过程并不一致。

因此，采用齐次变换矩阵将刀具坐标系下的切削力转化到工作坐标系下，并将坐标转化后的切削力与夹紧力进行动态关联，形成带有空间坐标信息且随着时间变化，具有时空一致性的外载荷模型。

其次，由于工件几何是三维的复杂结构，很难直接进行变形相关的数据建模与计算。考虑到工件是实体结构，工件表面信息足以表达零件不同位置的弯曲刚度，因此本发明通过超限插值与保刚度结合的方法，将工件三维几何模型通过网格生成，保刚度映射到二维平面并均匀采样，从而实现用参数化后的工件几何模型作为工件弯曲刚度的表征。

这样参数化后的几何模型既满足后续变形预测模型输入，同时又减少计算量。该方法可以灵活的控制半精加工及精加工的余量，同时也是利用数据驱动模型中对复杂几何模型进行参数化的一次尝试。

之后，在加工过程中工件作为一个连续整体，其加工变形过程在工件几何结构上是连续的，在时序上具有自相关性。这里针对加工变形过程中的时空相关性特点，提出设计全卷积神经网络对工件几何、外载荷及变形信息进行空间相关性学习。与卷积神经网络的区别在于，将卷积神经网络中的全连接层改为卷积层，可以使卷积网络从全局更好地学习整个工件几何-载荷-变形的空间关联特征(关系)，更符合实际加工过程中工件整体变形的连续性。

同时，将不同时间段工件几何、外载荷以及变形信息，经过全卷积网络学习后的空间关联特征，看作工件变形演变过程的一个个时间切片，用循环神经网络中的GRU网络来建立这些切片之间的时序关系，模型参数较少且效率高，短时序的网络也符合实际易变形工件工序间变形预测与控制要求。

综上所述，本发明通过建立包含实际加工过程切削力与夹紧力的外载荷模型，代替难以测量的工件残余应力分布的变化，进一步将几何模型参数化来表示工件弯曲刚度。之后针对加工变形过程的时空相关性特点，将全卷积神经网络与循环神经网络结合，建立具有时序空间关联学习的变形预测模型。利用实际采集的切削力与夹紧力，而不是解析或者仿真的数据，将二者动态关联后更能反映工件真实变形状态，也能提高模型的通用性，且训练完成后的变形预测模型计算效率也更高，相比直接用端到端网络模型预测精度提升20％左右。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：包括以下步骤：

步骤1：根据薄壁件加工过程中实际采集的切削力与夹紧力变化数据，建立切削力与夹紧力的时变模型，进而建立表示切削力与夹紧力关联变化的时变关联模型；

步骤2：采用曲面映射结合保刚性变化将被加工的薄壁件进行几何模型参数化；

步骤3：建立基于时空学习的变形预测模型：

首先，将关联后的切削力与夹紧力，以及工件几何参数化模型输入卷积网络进行空间关系学习：

H_Δt＝f_c(W_c(L(Δt),D)+b_c)

其中，H_Δt是经过卷积网络学习后的输出；f_c是激活函数，W_c，b_c是需要学习的网络参数；

接着，将若干个按照时间序列排列，且经过卷积网络学习后的输出，经过扩展处理后，输入循环神经网络中，对与变形相关的时序关系进行学习：

其中，

为GRU网络在第n个时间间隔Δt后预测得到的变形输出；f_g是激活函数，

是网络前一刻的输出，

是H_Δt经过扩展处理后符合GRU网络的输入；W_g，U是需要学习的网络参数；

将网络输出的变形和实际加工变形的均方差作为误差函数：

其中，E_t是在时间t的损失值，E是整个训练数据的损失值；Def_n为经过n个时间间隔测得的真实工件变形值，N为以真实变形值为标签的训练样本数量；

根据误差计算GRU网络中每个权重的梯度和偏置梯度，同时采用Aadm算法更新网络参数，直到损失函数收敛，完成变形预测模型的建立；

步骤4：利用训练好的变形预测模型实现变形预测。

2.根据权利要求1所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：步骤1中，切削力时变模型为

F(t)＝(u(t),v(t),w(t),f(t))

其中，u(t)，v(t)，w(t)表示随着刀具移动的刀具坐标系，其原点位于刀尖，u轴、v轴和w轴分别代表瞬时进给方向、工件表面法向量和刀具轴向量，f(t)表示随时间变化的切削力；

夹紧力时变模型为

cF(t)＝(x_i,y_i,z_i,cf(t))

其中，x_i，y_i，z_i表示第i个夹紧力测量位置在工件坐标系下对应的坐标，cf(t)表示随时间变化的夹紧力；

加工过程中切削力与夹紧力空间转化关系为：

[x,y,z,1]^T＝Trans[u,v,w,1]^T

其中，Trans表示刀具坐标系向工件坐标系转换的齐次变换矩阵，上标T表示转置；在时间上，采用相邻刀位点之间的时间间隔，分别对切削力与夹紧力取平均值，实现时间上的一致性。

3.根据权利要求2所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：齐次变换矩阵Trans表示为：

式中，3×3的矩阵R_T表示刀具坐标系相对于工件坐标系的坐标旋转矩阵，由刀具坐标轴矢量决定，包括瞬时进给方向、工件切削表面法向量和刀轴矢量；3×1的矩阵Q_T表示刀具原点相对于机床的位置向量；γ和η分别表示透视变换和比例系数，这里η取1。

4.根据权利要求2所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：切削力与夹紧力关联变化的时变关联模型以关联矩阵L(t)表示：

其中，L(t)是切削力与夹紧力关联后的外载荷模型矩阵表达形式，(x(t),y(t),z(t))是经过齐次变换后的切削力坐标。

5.根据权利要求1或2所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：步骤2中，采用曲面映射结合保刚性变化实现薄壁件几何模型参数化的过程为：

首先采用曲面映射中的网格生成方法将薄壁件几何模型映射到参数域：

其中S(x,y,z)表示在笛卡尔坐标系下的薄壁件三维几何实体模型，D(u,v,w)表示参数域坐标系下的薄壁件几何模型，F(x,y,z,u,v,w)表示映射函数，符号

表示一对一映射关系；

然后根据保刚性参数化方法，将参数化后的几何模型上每个三角形曲面块不变形地投影到一个单独的局部坐标系中，然后将分散在各自局部坐标系中的三角形块粘合在一起，形成一个完整的二维展开平面，得到薄壁件几何模型的二维数组表达式D(u_i,v_i)，(u_i,v_i)表示二维平面上点的坐标。

6.根据权利要求5所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：映射函数采用Hermite超限插值方法来实现工件几何模型到参数域的映射。

7.根据权利要求1所述一种基于切削力与夹紧力时空学习的薄壁件加工变形预测方法，其特征在于：激活函数f_c采用ReLU激活函数，激活函数f_g采用Sigmoid函数。